Optimisation de la chaîne de production de plans d’intérieur depuis des nuages de points 3D
Résumé
This thesis explores optimization solutions for the production chain of interior plans from 3D point clouds. The use of 3D LIDAR technology has made fieldwork faster and more accurate, but has also increased the complexity of data processing.
The thesis examines two main approaches to automate the vectorization of point clouds into 2D plans: the use of the RoomFormer model for floor plan reconstruction from density maps (a 2D representation derived from the point cloud) and the Segment Anything Model (SAM), an image segmentation model implemented to segment the rooms in the previously mentioned density maps. The results show that while RoomFormer has limitations, the SAM model, combined with specific data preprocessing and postprocessing techniques, represents a promising solution.
Ce mémoire explore les solutions d'optimisation de la chaîne de production de plans d'intérieur à partir de nuages de points 3D. L'utilisation de la technologie 3D LIDAR a transformé a rendu travail sur le terrain plus rapide et plus précis, mais augmentant également la complexité du traitement des données.
Le mémoire étudie deux approches principales pour automatiser la vectorisation des nuages de points en plans 2D : l'utilisation du modèle RoomFormer pour la reconstruction des plans d'étage à partir de cartes de densité (représentation 2D issue du nuage de points) et le Segment Anything Model (SAM), un modèle de segmentation d’images, implémenté pour segmenter les pièces des cartes de densité précédemment mentionnées. Les résultats montrent que si RoomFormer est limité, le modèle SAM, associé à des prétraitements et post-traitements spécifiques des données et des sorties, constitue une solution prometteuse.
Domaines
Sciences de l'ingénieur [physics]Origine | Fichiers produits par l'(les) auteur(s) |
---|